Retrieval-Augmented Generator TPS-Rechner

Offene Gewichte Facebook,New York University (NYU),University College London (UCL) 626M Parameter May 2020

Jede Karte unten wird anhand dieses Modells bei der von Ihnen gewählten Kontextlänge und Mindestqualität bewertet. Geschwindigkeit ist eine Schätzung für eine einzelne Anfrage, berechnet aus der Speicherbandbreite der Karte und der Größe des Modells, sobald es komprimiert ist..

Für dieses Modell berechnet

818 Karten, die es ausführen können

818 Karten, für die wir Spezifikationen haben

Kleinste Karte, die passt

Tesla C1080

4 GB · Q8_0 · 58.9 tok/s

Schnellste Karte

B200

5,413 tok/s · 180 GB

Welche GPUs können laufen Retrieval-Augmented Generator?

Setze die Eingaben, lies die Antwort

Kontextlänge Token

Ein längeres Gespräch benötigt mehr MEMORY, was dieses Modell von kleineren CARDS drängen kann..

Minimale Qualität

Blendet Karten aus, die nur durch Komprimierung unter diesen Punkt in das Modell passen würden..

Suchkarten

Karten-VRAM

Zeige auch Karten, die es nicht ausführen können.

818 Karten passen

Berechnung

					Braucht	Quantisierung	Passend
5,413 tok/s 3,248–8,660 · niedrige Vertrauenswürdigkeit	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	1.4 GB	Q8_0	Komfortabel
5,413 tok/s 3,248–8,660 · niedrige Vertrauenswürdigkeit	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	1.4 GB	Q8_0	Komfortabel
4,322 tok/s 2,593–6,915 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Komfortabel
4,322 tok/s 2,593–6,915 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	1.4 GB	Q8_0	Komfortabel
3,457 tok/s 2,074–5,531 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	1.4 GB	Q8_0	Komfortabel
3,308 tok/s 1,985–5,293 · niedrige Vertrauenswürdigkeit	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Komfortabel
3,308 tok/s 1,985–5,293 · niedrige Vertrauenswürdigkeit	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	1.4 GB	Q8_0	Komfortabel
3,166 tok/s 1,900–5,066 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	1.4 GB	Q8_0	Komfortabel
2,810 tok/s 1,686–4,496 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Komfortabel
2,810 tok/s 1,686–4,496 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Komfortabel
2,810 tok/s 1,686–4,496 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	1.4 GB	Q8_0	Komfortabel
2,666 tok/s 1,599–4,265 · niedrige Vertrauenswürdigkeit	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel
2,273 tok/s 1,364–3,637 · niedrige Vertrauenswürdigkeit	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel
2,273 tok/s 1,364–3,637 · niedrige Vertrauenswürdigkeit	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	1.4 GB	Q8_0	Komfortabel
2,273 tok/s 1,364–3,637 · niedrige Vertrauenswürdigkeit	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel
2,273 tok/s 1,364–3,637 · niedrige Vertrauenswürdigkeit	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel
2,273 tok/s 1,364–3,637 · niedrige Vertrauenswürdigkeit	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel
1,731 tok/s 1,039–2,769 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Komfortabel
1,731 tok/s 1,039–2,769 · niedrige Vertrauenswürdigkeit	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	1.4 GB	Q8_0	Komfortabel
1,442 tok/s 865–2,308 · niedrige Vertrauenswürdigkeit	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	1.4 GB	Q8_0	Komfortabel
1,412 tok/s 847–2,259 · niedrige Vertrauenswürdigkeit	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	1.4 GB	Q8_0	Komfortabel
1,380 tok/s 828–2,208 · niedrige Vertrauenswürdigkeit	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	1.4 GB	Q8_0	Komfortabel
1,380 tok/s 828–2,208 · niedrige Vertrauenswürdigkeit	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	1.4 GB	Q8_0	Komfortabel
1,380 tok/s 828–2,208 · niedrige Vertrauenswürdigkeit	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	1.4 GB	Q8_0	Komfortabel
1,380 tok/s 828–2,208 · niedrige Vertrauenswürdigkeit	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	1.4 GB	Q8_0	Komfortabel

Die Geschwindigkeiten sind Schätzungen für eine einzelne Anfrage — ein Gespräch zur Zeit — berechnet aus BANDWIDTH, MODELLGRÖSSE und QUANTISIERUNG. Der tatsächliche Durchsatz variiert mit der INFERENZLAUFZEIT und ihrer Version. Zahlen, die von Hardwareanbietern veröffentlicht wurden, messen viele gleichzeitige Anfragen und sind viel höher..

Aufgezeichnet

Volle Spezifikation

Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..

Ursprung

Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.

Organisation: Facebook,New York University (NYU),University College London (UCL)
Organisationsart: Industry,Academia,Academia
Land: United States of America, United Kingdom of Great Britain and Northern Ireland
Veröffentlicht: 22 May 2020
Autoren: Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela

Was es tut

Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.

Domain: Language
Aufgabe: Question answering, Retrieval-augmented generation
Numerisches Format: FP16

Größe

Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.

Parameter: 626M
Trainingsdaten: 3,074,560 tokens

Der Trainingslauf

Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.

Trainingshardware: NVIDIA Tesla V100 PCIe 32 GB

Verfügbarkeit

Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.

Gewichte: Open — downloadable
Modellzugang: Open weights (unrestricted)
Training-Code: Unreleased

Wie es klassifiziert ist

Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.

Warum es verfolgt wird: Highly cited,SOTA improvement
Aufzeichnungsgenauigkeit: Confident
Zitationen: 13,907

Quellen

Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.

Referenz: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
Zuletzt aktualisiert: 25 May 2026

Die Extreme

Die zehn schnellsten GPUs, die RUN. Retrieval-Augmented Generator

Sortiert nach geschätzten Tokens pro Sekunde, neueste Karte zuerst, wenn die Geschwindigkeiten gleich sind. Da die Generierung durch die Speichermenge begrenzt ist, folgt diese Reihenfolge der Bandbreite und nicht einem Gaming-Benchmark..

Die kleinsten GPUs, die immer noch laufen Retrieval-Augmented Generator

Die günstigste Route herein, nach Speichergröße. Ein enger Fit läuft das Modell, lässt aber nichts für ein längeres Gespräch übrig..

Was die Zahlen bedeuten

Die Hardware-Seite

Minimale Karte

Tesla C1080

Benötigter Speicher

1.4 GB

Schnellste

5,413 tok/s

Retrieval-Augmented Generator erreicht eine Parameteranzahl von 626M. Das ist klein genug, dass Hardware selten das Hindernis ist, einschließlich bei Karten, die mehrere Jahre alt sind. Die Anzahl der Karten, die wir verfolgen, die es ausführen können: 818.

Am unteren Ende wird es von Tesla C1080, mit einer MEMORY-KAPAZITÄT von 4 GB, es mit einer Kompression von Q8_0 und produziert etwa 58.9 Token pro Sekunde

Spitzenklasse ist B200, generieren ungefähr 5,413 Tokens pro Sekunde auf der Grundlage einer Speicherbandbreite von 8,000 GB/s.

Hintergrund

Retrieval-Augmented Generator wurde veröffentlicht von Facebook,New York University (NYU),University College London (UCL), im Land aufgezeichnet als United States of America, während May 2020. Die veröffentlichende Organisation ist als industry,Academia,Academia.

Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet question answering, Retrieval-augmented generation.

Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht.

Die Durchsatzwerte lesen

Das mediane Ergebnis liegt bei etwa 152.0 Token pro Sekunde. 809 von ihnen

Jedes Gewicht beteiligt sich hier an jedem Token, daher ist die Bandbreite die gesamte Geschichte: Das Ranking unten ist effektiv ein Ranking des Speicher-Durchsatzes.

Der Speicher hier wird basierend auf der Größe geschätzt, anstatt aus der Architektur berechnet zu werden, die für dieses Modell nicht aufgezeichnet ist — die Zahlen sind eher indikativ als genau.

Wie es trainiert wurde

Training verbrauchte ein Korpus von etwa 3,074,560 Text-Tokens

Der Grund, warum es überhaupt in diesem Katalog erscheint: highly cited,SOTA improvement.

Schritt für Schritt

Wie wählt man eine GPU für Retrieval-Augmented Generator

Die obige Tabelle hat bereits jede Karte, für die wir Spezifikationen haben, mit diesem Modell verglichen. Um zu Ihrer Antwort zu gelangen, sind sechs Schritte erforderlich..

01

Beginnen Sie mit der Speicher-Spalte

Die Tabelle listet jede Karte auf, die in der Lage ist, zu halten Retrieval-Augmented Generator, benötigt ungefähr 1.4 GB bei einer Kompression von Q8_0. Die Kapazität ist das Tor — eine Karte hält es entweder oder sie tut es nicht.
02

Entscheide, wie lange deine Gespräche laufen

Setze den Kontext auf das, was du tatsächlich verwenden wirst. Der Cache wächst mit dem Gespräch, und es ist der übliche Grund, warum eine Karte, die anfangs passend schien, nicht mehr passt. Retrieval-Augmented Generator.
03

Wähle, wie weit du es komprimieren möchtest.

Jede Karte läuft die am wenigsten komprimierte Kopie, die sie halten kann., eine Kompression von Q8_0 auf der kleinsten Karte, die passt. Das Festlegen einer Mindestqualität fallen die Karten weg, die es nur schaffen, indem sie weiter gedrückt werden, als man möchte, und hält den Vergleich auf einem Niveau.
04

Nach Geschwindigkeit sortieren

Nach Geschwindigkeit sortieren, um zu sehen, wie die CARDS eingestuft sind für Retrieval-Augmented Generator. Es wird nicht mit einer Gaming-Bestellung übereinstimmen, da die Generation durch MEMORY-BANDWIDTH gebunden ist. Die Karte, die die Liste anführt, ist B200, bei 5,413 tok/s
05

Achte auf den Spielraum, nicht nur auf das Passende.

Die Passform-Spalte trennt Karten, die es gerade so schaffen, von denen mit ausreichend Platz, im Falle von Retrieval-Augmented Generator. Komfortabel bedeutet, dass Sie den Kontext später erweitern können. Dieser Unterschied zählt mehr als ein paar Token pro Sekunde, also kaufen Sie für komfortabel, wenn Sie damit rechnen.
06

Sieh, was diese Karte noch ausführen kann.

Das Folgen einer Karte zu ihrer eigenen Seite zeigt jedes andere Modell, das sie halten kann, was die Frage ist, die folgt, sobald Sie sich festgelegt haben. Retrieval-Augmented Generator.

Antworten

Retrieval-Augmented Generator — Häufige Fragen

Retrieval-Augmented Generator— Wo kann ich es herunterladen?

Die Gewichte sind veröffentlicht, obwohl wir keinen Repository-Link dafür haben. Diese Seite berechnet die Hardware-Anforderungen, anstatt Modell-Dateien zu hosten.

Retrieval-Augmented Generator— Kann ich es ausführen, wenn es nicht in meine GPU passt?

Es kann zwischen der GPU-Karte und dem Systemspeicher aufgeteilt werden, aber es wird auf diese Weise schmerzhaft langsam erzeugt. Jede Zahl hier geht davon aus, dass das gesamte Modell auf der Karte vorhanden ist.

Retrieval-Augmented Generator— Würden zwei GPUs es schneller ausführen?

Zwei Karten kaufen Speicher statt Geschwindigkeit, was nur wichtig ist, wenn eine Karte es nicht halten kann. Die Anzahl, die es kann: 818. So eine zweite Karte ist hier selten die Antwort.

Retrieval-Augmented Generator— Warum unterscheidet sich die Quantisierung zwischen Karten?

Da die Kapazität variiert, variiert auch, wie sehr sie komprimiert werden muss. Die Anzahl der unterschiedlichen Ebenen in der obigen Tabelle: 1. Größere Karten erhalten die genauere Version, und die Qualitätsuntergrenze verankert den Vergleich auf einem Niveau.

Retrieval-Augmented Generator— Wie genau sind diese Geschwindigkeitsabschätzungen?

Jede Zahl leitet sich von VRAM-Bandbreite und Modellgröße ab, nicht benchmarked, weshalb jede als Bereich und nicht als einzelne Zahl veröffentlicht wird. Ein Beispiel: 3,248–8,660 tok/s auf B200. Das gleiche Modell und die Karte variieren je nach Inferenzsoftware und deren Version um dreißig bis fünfzig Prozent.

Retrieval-Augmented Generator— Welche GPU benötige ich, um es auszuführen?

Die kleinste Karte in unserem Katalog, die es hält, ist Tesla C1080, mit einer MEMORY-KAPAZITÄT von 4 GB. Es führt das Modell mit einer Kompression von Q8_0 verwenden von etwa 1.4 GB, und produziert ungefähr 58.9 Token pro Sekunde. Die Anzahl der Karten, die es insgesamt ausführen können: 818.

Retrieval-Augmented Generator— wie schnell ist es auf einer GPU?

Es hängt von der Karte ab. Das Schnellste, das wir berechnen, ist B200, ungefähr 5,413 Tokens pro Sekunde; die langsamste, die es immer noch ausführt, schafft erheblich weniger. Die Lesegeschwindigkeit liegt bei etwa zehn Tokens pro Sekunde, und die Anzahl der Karten, die das bewältigen: 809.

Retrieval-Augmented Generator— Wie viel VRAM benötigt es?

Es benötigt etwa 1.4 GB bei einer Kompression von Q8_0, welche das ist, was die kleinste Karte, die es ausführt, verwendet. Weniger Kompression braucht mehr: die Zahlen in der Spalte für den Speicher oben werden für jede Karte neu berechnet, da jede die am wenigsten komprimierte Version, die sie kann, speichert.

Retrieval-Augmented Generator— Kann ich es auf einer GPU mitführen? 8 GB?

Ja. Die GPU-Karte CMP 170HX 8 GB, halten 8 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 1.4 GB und generieren grob 1,008 Tokens pro Sekunde. Der Fit ist komfortabel.

Retrieval-Augmented Generator— Kann ich es auf einer GPU mitführen? 12 GB?

Ja. Die GPU-Karte GeForce RTX 3080 Ti, halten 12 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 1.4 GB und generieren grob 617 Tokens pro Sekunde. Der Fit ist komfortabel.

Retrieval-Augmented Generator— Kann ich es auf einer GPU mitführen? 16 GB?

Ja. Die GPU-Karte Tesla V100 SXM2 16 GB, halten 16 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 1.4 GB und generieren grob 765 Tokens pro Sekunde. Der Fit ist komfortabel.

Retrieval-Augmented Generator— Kann ich es auf einer GPU mitführen? 24 GB?

Ja. Die GPU-Karte GeForce RTX 5090 D V2, halten 24 GB, führt es mit einer Kompression von Q8_0, verwenden von etwa 1.4 GB und generieren grob 907 Tokens pro Sekunde. Der Fit ist komfortabel.

Retrieval-Augmented Generator— Ist es Open-Source?

Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.

Retrieval-Augmented Generator— Wie viele Parameter hat es?

Es hat eine Parameteranzahl von 626M. "Our RAG models contain the trainable parameters for the BERT-base query and document encoder of DPR, with 110M parameters each (although we do not train the document encoder ourselves) and 406M trainable parameters from BART-large, 406M parameters, making a total of 626M trainable parameters". Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.

Retrieval-Augmented Generator— Wer hat es erstellt?

Es wurde veröffentlicht von Facebook,New York University (NYU),University College London (UCL), basiert auf United States of America, eine als kategorisierte Organisation industry,Academia,Academia.

Retrieval-Augmented Generator— Wann wurde es veröffentlicht?

Es wurde veröffentlicht in May 2020. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.

Retrieval-Augmented Generator— Wofür wird es verwendet?

Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von question answering, Retrieval-augmented generation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.

Quelle

Originalveröffentlichung

Letzte Aktualisierung des Protokolls 25 May 2026

Die andere Richtung

Von der anderen Seite aus betrachten?

Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.

Alle KI-Modelle